但是当数据量进一步增多的时候，单库的数据量达到了一定的级别之后，那么就需要分更多的表，那么这时候有哪些处理方案呢？
做数据迁移
最简单暴力，也是最麻烦的一个方案。
因为当分表（分库）数量增多的时候，因为分片规则的变化，每个表的数据都要被重新分配到多个新的表；这种方法虽然最直接，但是带来的问题也非常大：
数据迁移时间会比较长，需要迁移时间；
如果业务不能停的话（在线迁移），还要解决增量数据和历史数据一致性的问题；
不做数据迁移
那么有没有方法，当数据增长到现有分表极限的时候，加表或者加库的时候，可以避免数据的迁移呢？说白了，大家需要增加分表算法的复杂性，让算法可以兼容增加分表前后的数据路由：
先说一个简单的办法，（为了方便讲述，下面就把id当做分表字段），如果id是一个增长的全局序列，每个表存500万的数据，那么可以id=1-500万存到table_1，id=500万零1-1000万存到table_2，理论上这种方法是可以无限扩容的，但是问题也显而易见，就是每个阶段的数据insert会集中在一个表/库上，虽然能避免数据迁移的问题，但是数据热点的问题没有解决。
- 如果id是一个增长的全局序列，当前有十张表，那么分表的算法为：id%10，根据0-9路由到10个表中；当表扩到20张的时候，扩容那一刻取max_id，那么未来分库的算法也就变成了：
if(id<max_id){id%10}else{id%20};
有些分表的算法本身就带时间戳，可以基于id中的时间戳来实现，比如Twitter-Snowflake算法，这个算法是一个64位的Long值，前42位就是一个精确到毫秒的时间戳，那么大家的分库算法也就可以以某个时间点来判断：
if(id中的时间<增加分表那一刻的时间){id%10}else{id%20};